CN113205177B - 一种基于增量协同注意力移动卷积的电力终端识别方法 - Google Patents

一种基于增量协同注意力移动卷积的电力终端识别方法 Download PDF

Info

Publication number
CN113205177B
CN113205177B CN202110449092.1A CN202110449092A CN113205177B CN 113205177 B CN113205177 B CN 113205177B CN 202110449092 A CN202110449092 A CN 202110449092A CN 113205177 B CN113205177 B CN 113205177B
Authority
CN
China
Prior art keywords
convolution
data
power terminal
attention mechanism
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110449092.1A
Other languages
English (en)
Other versions
CN113205177A (zh
Inventor
殷林飞
马晨骁
韦潇莹
高放
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi University
Original Assignee
Guangxi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangxi University filed Critical Guangxi University
Priority to CN202110449092.1A priority Critical patent/CN113205177B/zh
Publication of CN113205177A publication Critical patent/CN113205177A/zh
Application granted granted Critical
Publication of CN113205177B publication Critical patent/CN113205177B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提出一种基于增量协同注意力移动卷积的电力终端识别方法，该方法将增量学习、协同注意力机制和移动卷积神经网络结合应用到电力终端识别中。所提方法基本步骤为：用电数据获取，数据预处理，协同注意力机制和移动卷积神经网络训练，识别和未被学习的电力终端的增量处理。增量处理包括自选择增量表征学习和学习率控制。所提方法能实现对电力终端的快速、精准识别。

Description

一种基于增量协同注意力移动卷积的电力终端识别方法
技术领域
本发明属于电力系统智能化与控制领域，涉及一种电力终端识别的机器学习方法，适用于电力系统配电网的电力终端识别。
背景技术
电力系统中电力终端的大量接入，为电力系统配电网带来了大量的高次谐波，使配电网电流波形偏离正弦波形。大功率设备的接入，使得配电网产生电压下降和频率波动，这些电力终端的运行对配电网安全运行带来了不利的影响。为了研究不同的电力终端接入对电力系统配电网带来的影响和为需求侧管理提供参考，提高电力系统运行效率和稳定性，对接入电力系统配电网的电力终端进行识别是必要的。
计算机计算能力的提高和智能算法的发展使得非侵入式电力终端识别的实现有了多样化的选择和更高的识别准确度。在边缘计算技术大规模应用的背景下，将非侵入式电力终端识别下沉到用户边际可以解决中心计算负担过大的问题。但边缘计算设备计算能力有限，这要求识别算法能够在嵌入式设备上快速地执行。
移动卷积神经网络通过卷积层和池化层的作用，能够将输入数据快速降维。通过测量得到的电力终端波形数据量较大，将其转换成电力终端图矩阵的形式后，使用移动卷积神经网络对其进行学习，可充分发挥移动卷积神经网络的优势，快速得到识别结果。
增量学习方法可以利用已经训练完成的神经网络进行扩充训练，使得原有的神经网络能够适应分类数量增多的情况。由于电力终端发展较快，不同种类电力终端将不断被接入电力系统配电网当中，所以可将增量学习方法引入电力终端识别中。
本发明将增量学习、协同注意力机制和移动卷积神经网络相结合。所提方法能够对电力终端图矩阵进行快速、精确识别，并满足未被学习的电力终端的接入需求。
发明内容
本发明提出一种基于增量协同注意力移动卷积的电力终端识别方法，该方法将增量学习、协同注意力机制和移动卷积神经网络结合应用到电力终端识别中，实现对电力终端的快速、精准识别。
本发明将增量学习、协同注意力机制和移动卷积神经网络相结合。协同注意力机制能够对输入移动卷积神经网络的电力终端图矩阵进行权重计算，从而确定需要重点学习和重点识别的数据区域。通过协同注意力机制的作用，移动卷积神经网络能够对高权重数据区域进行重点学习，以达到更快的学习速度和更高的识别准确度；增量学习的应用能够扩充已经被训练的移动卷积神经网络分类层个数，从而扩充移动卷积神经网络的分类数量，适应未被学习的电力终端的接入并对其进行学习和识别。
本发明所提方法分为以下5个步骤：
步骤(1)用电数据获取：使用电压电流传感器对电力终端各个工况下的运行电流和电压数据进行5kHz采样频率下的波形采集。
步骤(2)数据预处理：将传感器获得的电流和电压数据转化为电力终端图矩阵的形式。为了充分利用协同注意力机制的优势，在数据预处理过程中，电压波形数据和电流波形数据将作为两个通道独立进行处理。在这两个通道中，每个电网周期的电压数据和电流数据将被按照时序分为四段，并按照蛇形存入4行25列的图中，形成电力终端图矩阵。
步骤(3)协同注意力机制和移动卷积神经网络训练：为了满足在嵌入式设备上快速运行的需要，将移动卷积神经网络与协同注意力机制结合，作为电力终端识别所使用的神经网络。
移动卷积神经网络对卷积神经网络的卷积部分进行了优化，提高了卷积过程计算的速度。
在卷积神经网络中，卷积结果为：
Figure BDA0003037949310000021
其中，K为大小为DK×DK×M×N的卷积神经网络的卷积核矩阵，卷积核的宽度和高度均为DK，M为输入通道数，N为输出通道数；F为被卷积的大小为DW×DH×M的电力终端图矩阵，其中,DW与DH分别为输入电力终端图矩阵的宽度和高度。
卷积神经网络的卷积过程的计算量为：
DK·DK·M·N·DW·DW (2)
移动卷积神经网络对卷积神经网络的卷积过程进行了改进，将卷积神经网络的卷积过程拆分为深度卷积和逐点卷积。深度卷积的结果为：
Figure BDA0003037949310000022
其中，K为深度卷积核，深度卷积核的大小为DK×DK×M；F为被卷积的大小为DW×DH×M的电力终端图矩阵。
逐点卷积的作用是扩充和压缩输入电力终端图矩阵的通道数。其方法是使用1×1×M×N的卷积核对输入电力终端图矩阵进行卷积操作。深度卷积和逐点卷积的卷积过程的计算量为：
DK·DH·M·DW·DW+M·N·DW·DH (4)
对比式(3)和式(4)可见，移动卷积能够实现更快的运算速度，具备在移动端设备和嵌入式设备上运行的条件。
在移动卷积神经网络中，单次卷积的过程由逐点卷积升维过程、6型线性整流函数激活过程、深度卷积过程、6型线性整流函数激活过程、逐点卷积降维过程、线性全连接过程组成。其中，6型线性整流函数表示为：
ReLU(6)＝min(max(0,x),6) (5)
式中，x为输入变量。
协同注意力机制是在注意力机制上发展而来。注意力机制对电力终端图矩阵进行并行学习，识别出电力终端图矩阵上应重点注意的通道和区域，并将通道和区域赋予不同的权重值后送入与其配合的卷积神经网络。通过注意力机制的作用，卷积神经网络能够有重点的学习电力终端图矩阵上的信息，从而获得更高的识别准确度。
协同注意力机制在水平方向上使用(DH,1)的池化核，在垂直方向上使用(1,DW)的池化核对大小为(DH,DW)的电力终端图矩阵在水平和垂直方向上进行全局池化。
协同注意力机制对高度层为h的第c个通道在水平方向上进行全局池化的输出为：
Figure BDA0003037949310000031
其中xc为输入的电力终端图矩阵的第c个通道。
协同注意力机制对宽度层为w的第c个通道在垂直方向上进行全局池化的输出为：
Figure BDA0003037949310000032
协同注意力机制对输入的电力终端图矩阵进行水平和垂直方向上的全局池化之后，将池化结果使用卷积变换进行连接：
f＝δ(F1([zH,zW])) (8)
其中，[·,·]为沿空间维度的连接操作；δ表示非线性激活函数；
Figure BDA0003037949310000033
其中r为控制块大小的缩减率；F1(·)为1×1的卷积变换函数；zH和zW分别为所有层zH,c和zW,c的并集。
沿着空间维度将f重新分解为两个单独的向量
Figure BDA0003037949310000034
和
Figure BDA0003037949310000035
再使用1×1的卷积核对两个单独的向量fH和fW进行卷积，将结果变换到与输入电力终端图矩阵相同的维度上，得到电力终端图矩阵垂直和水平方向上的权重值分别为：
gH＝σ(FH(fH)) (9)
gW＝σ(FW(fW)) (10)
其中，gH和gW分别为电力终端图矩阵垂直和水平方向上的权重值；卷积变换函数FH()和FW(·)分别表示垂直和水平方向的1×1卷积函数。
协同注意力机制赋予输入电力终端图矩阵的权重值为：
yc(i,j)＝xc(i,j)×gH,c(i)×gW,c(j) (11)
其中，gH,c和gW,c分别为gH和gW的第c个通道；yc为赋予权重值之后的电力终端图矩阵。
将被赋予权重值后的电力终端图矩阵送入移动卷积神经网络中进行学习，移动卷积神经网络和协同注意力机制参数在学习过程中同步更新。
步骤(4)识别：在步骤(3)协同注意力机制和移动卷积神经网络训练结束之后，继续使用电压和电流传感器获取电力终端运行工况下的电压和电流波形，并按照步骤(2)数据预处理的方法形成电力终端图矩阵，采用步骤(3)的协同注意力机制和移动卷积神经网络进行识别。
步骤(5)未被学习的电力终端的增量处理：为适应未被学习的电力终端，提出基于自选择增量表征学习和学习率控制的增量学习策略。并将自选择增量表征学习应用于协同注意力机制和移动卷积神经网络中，将学习率控制应用于协同注意力机制中。
增量学习策略中的自选择增量表征学习由对已学习数据中的部分数据进行重新学习的阶段和增量数据学习阶段组成。对已学习数据中的部分数据进行重新学习的阶段有效避免神经网络的灾难性遗忘；增量数据学习阶段使神经网络能够识别未被学习的电力终端。
采用步骤(3)中的已完成训练的协同注意力机制来选取对已学习数据中的部分数据进行重新学习的阶段所需要的数据。将所有已学习数据送入协同注意力机制进行处理，得到每个数据的权重值矩阵。将权重值矩阵按照列向量进行连接，并求取权重值矩阵的模值，将模值最大的10个电力终端图矩阵选出作为已学习数据中的部分数据进行重新学习的阶段所需要的数据。
将已学习数据中的部分数据进行重新学习的阶段所需要的数据和增量数据进行组合，并扩展协同注意力机制和移动卷积神经网络的分类层，使用以下的损失函数对协同注意力机制和移动卷积神经网络再次进行训练：
Figure BDA0003037949310000051
其中，
Figure BDA0003037949310000052
为损失函数；Θ为协同注意力机制和移动卷积神经网络中移动卷积神经网络部分的参数；Xi为第i个输入数据，Xi的前s-1个输入数据为已学习数据中的部分数据进行重新学习的阶段所需要的数据，Xi的s到t个数据为增量数据；Yi为对应Xi的标签；δYi为使用激活函数后的真实值；qY,i为概率化后的真实值；gY(Xi)为Xi对应的预测值；log(·)为以10为底的对数。
增量学习策略中的学习率控制作用于步骤(3)中的协同注意力机制。含电机元件的电力终端启动时刻波形起伏较大，含电机元件的电力终端形成的电力终端图矩阵在垂直方向上的具有差异。在使用含电机元件的电力终端数据进行训练时，协同注意力机制垂直方向卷积的学习率为：
ηY＝ηo(1+log(Conv2dY(Xi)) (13)
其中，ηo为初始设定的学习率；Conv2dY(·)函数值表示在垂直方向上使用协同注意力机制得到的权重值。
在使用不含电机元件的电力终端数据进行训练时，协同注意力机制水平方向卷积的学习率为：
ηX＝ηo(1+log(Conv2dX(Xi)) (14)
其中，Conv2dX(·)函数值表示在水平方向上使用协同注意力机制得到的权重值。
完成步骤(5)未被学习的电力终端的增量处理后，协同注意力机制和移动卷积神经网络能对未被学习的电力终端进行识别。
附图说明
图1是本发明电力终端图矩阵生成示意图。
图2是本发明总体流程图。
具体实施方式
本发明提出的一种基于增量协同注意力移动卷积的电力终端识别方法，结合附图详细说明如下：
图1是本发明电力终端图矩阵生成示意图。在传感器获取电力终端运行期间的电压和电流波形后，将波形数据按照时序四等分，并按照蛇形排列存入4×25的矩阵当中，电压数据和电流数据分别存入电力终端图矩阵的两个通道当中。
图1是本发明总体流程图。首先，使用电压和电流传感器获取待识别的电力终端的波形。将获取到的波形按照电力终端图矩阵的生成方法进行处理，存储生成的电力终端图矩阵。得到电力终端图矩阵后，使用协同注意力机制和移动卷积神经网络对这些数据进行学习。在所有数据被学习完成后，协同注意力机制和移动卷积神经网络能够对电压和电流传感器从配电网中获取并转化为电力终端图矩阵形式的实时数据进行识别。在未被学习的电力终端接入配电网时，使用电压和电流传感器获取该电力终端运行时产生的波形，将波形数据处理为电力终端图矩阵进行存储。使用完成学习的协同注意力机制对已学习数据进行选择。被选择的已学习数据和增量数据组合作为训练集，使用协同注意力机制和移动卷积神经网络进行学习，在学习过程中，同时采用本发明提出的学习率控制方法。增量学习完成后的协同注意力机制和移动卷积神经网络可对全部已学习的电力终端进行识别。

Claims (1)

1.一种基于增量协同注意力移动卷积的电力终端识别方法，其特征在于，基于增量协同注意力移动卷积的电力终端识别方法将增量学习、协同注意力机制和移动卷积神经网络结合应用到电力终端识别中，实现对电力终端的快速、精准识别；基于增量协同注意力移动卷积的电力终端识别方法分为以下5个步骤：
步骤(1)用电数据获取：使用电压电流传感器对电力终端各个工况下的运行电流和电压数据进行5kHz采样频率下的波形采集；
步骤(2)数据预处理：将传感器获得的电流和电压数据转化为电力终端图矩阵的形式；在数据预处理过程中，电压波形数据和电流波形数据将作为两个通道独立进行处理；在这两个通道中，每个电网周期的电压数据和电流数据将被按照时序分为四段，并按照蛇形存入4行25列的图中，形成电力终端图矩阵；
步骤(3)协同注意力机制和移动卷积神经网络训练：将移动卷积神经网络与协同注意力机制结合；将卷积神经网络的卷积过程拆分为深度卷积和逐点卷积；深度卷积的结果为：
Figure FDA0003037949300000011
其中，K为深度卷积核，深度卷积核的大小为DK×DK×M；F为被卷积的大小为DW×DH×M的电力终端图矩阵；
移动卷积神经网络对卷积神经网络的卷积过程进行了改进，逐点卷积的作用是扩充和压缩输入电力终端图矩阵的通道数；其方法是使用1×1×M×N的卷积核对输入电力终端图矩阵进行卷积操作；深度卷积和逐点卷积的卷积过程的计算量为：
DK·DH·M·DW·DW+M·N·DW·DH
在移动卷积神经网络中，单次卷积的过程由逐点卷积升维过程、6型线性整流函数激活过程、深度卷积过程、6型线性整流函数激活过程、逐点卷积降维过程、线性全连接过程组成；其中，6型线性整流函数表示为：
ReLU(6)＝min(max(0,x),6)
式中，x为输入变量；
协同注意力机制在水平方向上使用(DH,1)的池化核，在垂直方向上使用(1,DW)的池化核对大小为(DH,DW)的电力终端图矩阵在水平和垂直方向上进行全局池化；
协同注意力机制对高度层为h的第c个通道在水平方向上进行全局池化的输出为：
Figure FDA0003037949300000021
其中xc为输入的电力终端图矩阵的第c个通道；
协同注意力机制对宽度层为w的第c个通道在垂直方向上进行全局池化的输出为：
Figure FDA0003037949300000022
协同注意力机制对输入的电力终端图矩阵进行水平和垂直方向上的全局池化之后，将池化结果使用卷积变换进行连接：
f＝δ(F1([zH,zW]))
其中，[·,·]为沿空间维度的连接操作；δ表示非线性激活函数；
Figure FDA0003037949300000023
其中r为控制块大小的缩减率；F1(·)为1×1的卷积变换函数；zH和zW分别为所有层zH,c和zW,c的并集；
沿着空间维度将f重新分解为两个单独的向量
Figure FDA0003037949300000024
和
Figure FDA0003037949300000025
再使用1×1的卷积核对两个单独的向量fH和fW进行卷积，将结果变换到与输入电力终端图矩阵相同的维度上，得到电力终端图矩阵垂直和水平方向上的权重值分别为：
gH＝σ(FH(fH))
gW＝σ(FW(fW))
其中，gH和gW分别为电力终端图矩阵垂直和水平方向上的权重值；卷积变换函数FH(·)和FW(·)分别表示垂直和水平方向的1×1卷积函数；
协同注意力机制赋予输入电力终端图矩阵的权重值为：
yc(i,j)＝xc(i,j)×gH,c(i)×gW,c(j)
其中，gH,c和gW,c分别为gH和gW的第c个通道；yc为赋予权重值之后的电力终端图矩阵；
将被赋予权重值后的电力终端图矩阵送入移动卷积神经网络中进行学习，移动卷积神经网络和协同注意力机制参数在学习过程中同步更新；
步骤(4)识别：在步骤(3)协同注意力机制和移动卷积神经网络训练结束之后，继续使用电压和电流传感器获取电力终端运行工况下的电压和电流波形，并按照步骤(2)数据预处理的方法形成电力终端图矩阵，采用步骤(3)的协同注意力机制和移动卷积神经网络进行识别；
步骤(5)未被学习的电力终端的增量处理：提出基于自选择增量表征学习和学习率控制的增量学习策略；并将自选择增量表征学习应用于协同注意力机制和移动卷积神经网络中，将学习率控制应用于协同注意力机制中；
增量学习策略中的自选择增量表征学习由对已学习数据中的部分数据进行重新学习的阶段和增量数据学习阶段组成；对已学习数据中的部分数据进行重新学习的阶段有效避免神经网络的灾难性遗忘；增量数据学习阶段使神经网络能够识别未被学习的电力终端；
采用步骤(3)中的已完成训练的协同注意力机制来选取对已学习数据中的部分数据进行重新学习的阶段所需要的数据；将所有已学习数据送入协同注意力机制进行处理，得到每个数据的权重值矩阵；将权重值矩阵按照列向量进行连接，并求取权重值矩阵的模值，将模值最大的10个电力终端图矩阵选出作为已学习数据中的部分数据进行重新学习的阶段所需要的数据；
将已学习数据中的部分数据进行重新学习的阶段所需要的数据和增量数据进行组合，并扩展协同注意力机制和移动卷积神经网络的分类层，使用以下的损失函数对协同注意力机制和移动卷积神经网络再次进行训练：
Figure FDA0003037949300000031
其中，l(Θ)为损失函数；Θ为协同注意力机制和移动卷积神经网络中移动卷积神经网络部分的参数；Xi为第i个输入数据，Xi的前s-1个输入数据为已学习数据中的部分数据进行重新学习的阶段所需要的数据，Xi的s到t个数据为增量数据；Yi为对应Xi的标签；
Figure FDA0003037949300000032
为使用激活函数后的真实值；qY,i为概率化后的真实值；gY(Xi)为Xi对应的预测值；log(·)为以10为底的对数；
增量学习策略中的学习率控制作用于步骤(3)中的协同注意力机制；含电机元件的电力终端启动时刻波形起伏较大，含电机元件的电力终端形成的电力终端图矩阵在垂直方向上的具有差异；在使用含电机元件的电力终端数据进行训练时，协同注意力机制垂直方向卷积的学习率为：
ηY＝ηo(1+log(Conv2dY(Xi)))
其中，ηo为初始设定的学习率；Conv2dY(·)函数值表示在垂直方向上使用协同注意力机制得到的权重值；
在使用不含电机元件的电力终端数据进行训练时，协同注意力机制水平方向卷积的学习率为：
ηX＝ηo(1+log(Conv2dX(Xi)))
其中，Conv2dX(·)函数值表示在水平方向上使用协同注意力机制得到的权重值。
CN202110449092.1A 2021-04-25 2021-04-25 一种基于增量协同注意力移动卷积的电力终端识别方法 Active CN113205177B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110449092.1A CN113205177B (zh) 2021-04-25 2021-04-25 一种基于增量协同注意力移动卷积的电力终端识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110449092.1A CN113205177B (zh) 2021-04-25 2021-04-25 一种基于增量协同注意力移动卷积的电力终端识别方法

Publications (2)

Publication Number Publication Date
CN113205177A CN113205177A (zh) 2021-08-03
CN113205177B true CN113205177B (zh) 2022-03-25

Family

ID=77028440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110449092.1A Active CN113205177B (zh) 2021-04-25 2021-04-25 一种基于增量协同注意力移动卷积的电力终端识别方法

Country Status (1)

Country Link
CN (1) CN113205177B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117910539B (zh) * 2024-03-19 2024-05-31 电子科技大学 一种基于异构半监督联邦学习的家庭特征识别方法
CN118642030A (zh) * 2024-08-13 2024-09-13 国网福建省电力有限公司 一种电容式电压互感器误差预测方法、设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017127976A1 (zh) * 2016-01-25 2017-08-03 华为技术有限公司 一种用于增量式学习云系统的训练、调度方法及相关设备
CN107680195A (zh) * 2017-11-13 2018-02-09 国网内蒙古东部电力有限公司 一种变电站智能机器人巡检辅助分析系统及方法
CN109784348A (zh) * 2018-12-17 2019-05-21 中国科学院深圳先进技术研究院 一种红外电力设备识别和在线诊断方法及其系统
CN110263172A (zh) * 2019-06-26 2019-09-20 国网江苏省电力有限公司南京供电分公司 一种电网监控告警信息事件化自主识别方法
CN110288030A (zh) * 2019-06-27 2019-09-27 重庆大学 基于轻量化网络模型的图像识别方法、装置及设备
CN110929603A (zh) * 2019-11-09 2020-03-27 北京工业大学 一种基于轻量级卷积神经网络的天气图像识别方法
CN111369120A (zh) * 2020-02-27 2020-07-03 福州大学 一种基于设备迁移学习的非侵入式负荷监测方法
CN111597925A (zh) * 2020-04-29 2020-08-28 山东卓文信息科技有限公司 一种基于dcnn的电力系统暂态信号分析方法
CN111721535A (zh) * 2020-06-23 2020-09-29 中国人民解放军战略支援部队航天工程大学 一种基于卷积多头自注意力机制的轴承故障检测方法
CN112016684A (zh) * 2020-08-06 2020-12-01 广西大学 一种深度并行柔性发射网络的电力终端指纹识别方法
CN112036250A (zh) * 2020-08-04 2020-12-04 汇纳科技股份有限公司 基于邻域协同注意力的行人重识别方法、系统、介质及终端

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8959006B2 (en) * 2006-03-10 2015-02-17 Power Analytics Corporation Systems and methods for automatic real-time capacity assessment for use in real-time power analytics of an electrical power distribution system
US11210572B2 (en) * 2018-12-17 2021-12-28 Sri International Aligning symbols and objects using co-attention for understanding visual content

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017127976A1 (zh) * 2016-01-25 2017-08-03 华为技术有限公司 一种用于增量式学习云系统的训练、调度方法及相关设备
CN107680195A (zh) * 2017-11-13 2018-02-09 国网内蒙古东部电力有限公司 一种变电站智能机器人巡检辅助分析系统及方法
CN109784348A (zh) * 2018-12-17 2019-05-21 中国科学院深圳先进技术研究院 一种红外电力设备识别和在线诊断方法及其系统
CN110263172A (zh) * 2019-06-26 2019-09-20 国网江苏省电力有限公司南京供电分公司 一种电网监控告警信息事件化自主识别方法
CN110288030A (zh) * 2019-06-27 2019-09-27 重庆大学 基于轻量化网络模型的图像识别方法、装置及设备
CN110929603A (zh) * 2019-11-09 2020-03-27 北京工业大学 一种基于轻量级卷积神经网络的天气图像识别方法
CN111369120A (zh) * 2020-02-27 2020-07-03 福州大学 一种基于设备迁移学习的非侵入式负荷监测方法
CN111597925A (zh) * 2020-04-29 2020-08-28 山东卓文信息科技有限公司 一种基于dcnn的电力系统暂态信号分析方法
CN111721535A (zh) * 2020-06-23 2020-09-29 中国人民解放军战略支援部队航天工程大学 一种基于卷积多头自注意力机制的轴承故障检测方法
CN112036250A (zh) * 2020-08-04 2020-12-04 汇纳科技股份有限公司 基于邻域协同注意力的行人重识别方法、系统、介质及终端
CN112016684A (zh) * 2020-08-06 2020-12-01 广西大学 一种深度并行柔性发射网络的电力终端指纹识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《Incremental Learning in Deep Convolutional Neural Networks Using Partial Network Sharing》;Syed Shakib Sarwar等;《arXiv》;20190503;第1-18页 *
《一种改进SSD的输电线路电力部件识别方法》;王朝硕 等;《应用科技》;20200917;第47卷(第04期);第75-81页 *
《机器学习在能源与电力系统领域的应用和展望》;程乐峰 等;《电力系统自动化》;20190110;第43卷(第01期);第15-31页 *

Also Published As

Publication number Publication date
CN113205177A (zh) 2021-08-03

Similar Documents

Publication Publication Date Title
CN113205177B (zh) 一种基于增量协同注意力移动卷积的电力终端识别方法
Lin et al. Parametric fault diagnosis based on fuzzy cerebellar model neural networks
JP7441553B2 (ja) ローリング時系列及びサポートベクトルマシンに基づく短期風速の予測方法及びシステム
CN108667069B (zh) 一种基于偏最小二乘法回归的短期风电功率预测方法
CN110929765A (zh) 一种基于批次图像化的卷积自编码故障监测方法
CN105938578A (zh) 一种基于聚类分析的大规模光伏电站等值建模方法
CN108182316B (zh) 一种基于人工智能的电磁仿真方法及其电磁大脑
CN110726898A (zh) 一种配电网故障类型识别方法
CN116127298B (zh) 基于三元组损失的小样本射频指纹识别方法
CN113902183A (zh) 基于bert的非侵入式台区充电桩状态监测与电价调整方法
CN112651576A (zh) 长期风电功率预测方法及装置
CN112836346A (zh) 基于cn和pca的电机故障诊断方法、电子设备及介质
CN112836876A (zh) 一种基于深度学习的配电网线路负荷预测方法
CN117272230A (zh) 一种基于多任务学习模型的非侵入式负荷监测方法和系统
CN114841266A (zh) 一种小样本下基于三元组原型网络的电压暂降识别方法
CN118316033A (zh) 基于cnn-gru与arima模型的电力负荷预测方法
CN114611676A (zh) 基于神经网络的新能源发电系统阻抗模型辨识方法及系统
CN113887794A (zh) 一种配电网无功优化的方法及装置
CN117520818A (zh) 一种电力指纹识别方法、装置、电子设备及存储介质
CN116628460A (zh) 一种ceemdan参数增量协同注意力移动卷积的电力终端识别方法
CN116566061A (zh) 一种并网逆变器系统稳定性在线监测方法及系统
CN112016684B (zh) 一种深度并行柔性发射网络的电力终端指纹识别方法
CN116702580A (zh) 一种基于注意力卷积自编码器的发酵过程故障监测方法
CN111539275B (zh) 一种基于负载特性可视化的电气负载分类方法和系统
CN112183848B (zh) 基于dwt-svqr集成的电力负荷概率预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant